如何加速Bloomberg xbbg的日内Bar数据请求？

当前代码通过嵌套循环逐个请求合约和日期，共发起372次API调用，导致拉取8.9k行数据耗时60秒。以下是针对新版xbbg的高效优化方案：

1. 批量请求替代循环（核心优化） #

利用xbbg的bdib接口支持批量合约和日期范围的特性，将多次请求合并为少数几次，大幅减少API交互开销：

import pandas as pd
from xbbg import blp

cl_chain = [
    'CL1 Comdty', 'CL2 Comdty', 'CL3 Comdty', 'CL4 Comdty', 'CL5 Comdty',
    'CL6 Comdty', 'CL7 Comdty', 'CL8 Comdty', 'CL9 Comdty', 'CL10 Comdty',
    'CL11 Comdty', 'CL12 Comdty'
]

date_range = pd.bdate_range(end='today', periods=31)
# 一次性传入所有合约和日期范围
cl_hist = blp.bdib(tickers=cl_chain, dt=date_range, interval=60, ref='CME')

此方案将请求次数从372次降至1次（或按日期分片的少量请求），Bloomberg批量API的处理效率远高于单次请求，能直接将耗时压缩至数秒级别。

2. 并行请求日期（备选方案） #

若批量日期范围请求存在兼容性问题，可采用线程池并行处理单日期的批量合约请求，避免串行等待：

import pandas as pd
from xbbg import blp
from concurrent.futures import ThreadPoolExecutor

cl_chain = [
    'CL1 Comdty', 'CL2 Comdty', 'CL3 Comdty', 'CL4 Comdty', 'CL5 Comdty',
    'CL6 Comdty', 'CL7 Comdty', 'CL8 Comdty', 'CL9 Comdty', 'CL10 Comdty',
    'CL11 Comdty', 'CL12 Comdty'
]

date_range = pd.bdate_range(end='today', periods=31)

def fetch_day_data(dt):
    return blp.bdib(tickers=cl_chain, dt=dt, interval=60, ref='CME')

# 控制线程数避免触发Bloomberg API限制，建议设为3-5
with ThreadPoolExecutor(max_workers=4) as executor:
    daily_dfs = list(executor.map(fetch_day_data, date_range))

cl_hist = pd.concat(daily_dfs, sort=True)

3. 减少不必要的数据传输 #

若仅需特定字段（如收盘价），在请求时指定fields参数，减少返回的数据量：

cl_hist = blp.bdib(
    tickers=cl_chain, 
    dt=date_range, 
    interval=60, 
    ref='CME',
    fields=['close']  # 仅获取收盘价，按需修改
)

内容的提问来源于stack exchange，提问作者Analyst